Published December 1, 2021
| Version v1
Publication
The classification of EEG-based wink signals: A CWT-Transfer Learning pipeline
Creators
- 1. Universiti Malaysia Pahang
- 2. Universiti Malaysia Terengganu
- 3. Universiti Teknologi MARA
Description
Brain–Computer Interface technology plays a vital role in facilitating post-stroke patients' ability to carry out their daily activities of living. The extraction of features and the classification of electroencephalogram (EEG) signals are pertinent parts in enabling such a system. This research investigates the efficacy of Transfer Learning models namely ResNet50 V2, ResNet101 V2, and ResNet152 V2 in extracting features from CWT converted wink-based EEG signals, prior to its classification via a fine-tuned Support Vector Machine (SVM) classifier. It was shown that ResNet152 V2-SVM pipeline could achieve an excellent accuracy on all train, test and validation datasets.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تلعب تقنية واجهة الدماغ والحاسوب دورًا حيويًا في تسهيل قدرة مرضى ما بعد السكتة الدماغية على القيام بأنشطتهم اليومية في الحياة. إن استخراج الميزات وتصنيف إشارات مخطط كهربية الدماغ (EEG) هي أجزاء ذات صلة في تمكين مثل هذا النظام. يبحث هذا البحث في فعالية نماذج تعلم النقل وهي ResNet50 V2 و ResNet101 V2 و ResNet152 V2 في استخراج الميزات من إشارات EEG المحولة القائمة على غمزة CWT، قبل تصنيفها عبر مصنف آلة ناقلات الدعم (SVM) المضبوط. وقد تبين أن خط أنابيب ResNet152 V2 - SVM يمكن أن يحقق دقة ممتازة في جميع مجموعات بيانات القطار والاختبار والتحقق.Translated Description (French)
La technologie de l'interface cerveau-ordinateur joue un rôle essentiel pour faciliter la capacité des patients après un AVC à mener à bien leurs activités quotidiennes. L'extraction des caractéristiques et la classification des signaux d'électroencéphalogramme (EEG) sont des éléments pertinents pour permettre un tel système. Cette recherche étudie l'efficacité des modèles d'apprentissage par transfert à savoir ResNet50 V2, ResNet101 V2 et ResNet152 V2 dans l'extraction des caractéristiques des signaux EEG basés sur le clin d'œil convertis par CWT, avant sa classification via un classificateur de machine à vecteurs de support (SVM) affiné. Il a été démontré que le pipeline ResNet152 V2-SVM pouvait atteindre une excellente précision sur tous les ensembles de données de train, de test et de validation.Translated Description (Spanish)
La tecnología de interfaz cerebro-ordenador desempeña un papel vital para facilitar la capacidad de los pacientes después de un accidente cerebrovascular para llevar a cabo sus actividades diarias de la vida. La extracción de características y la clasificación de señales de electroencefalograma (EEG) son partes pertinentes para habilitar dicho sistema. Esta investigación investiga la eficacia de los modelos de aprendizaje por transferencia, a saber, ResNet50 V2, ResNet101 V2 y ResNet152 V2, para extraer características de las señales de EEG basadas en guiños convertidas por CWT, antes de su clasificación a través de un clasificador de máquina de vectores de soporte (SVM) de ajuste fino. Se demostró que la tubería ResNet152 V2-SVM podía lograr una excelente precisión en todos los conjuntos de datos de trenes, pruebas y validación.Additional details
Additional titles
- Translated title (Arabic)
- تصنيف إشارات الغمزة القائمة على EEG: خط أنابيب تعلم CWT - Transfer
- Translated title (French)
- La classification des signaux clignotants basés sur l'EEG : un pipeline d'apprentissage CWT-Transfer
- Translated title (Spanish)
- La clasificación de las señales Wink basadas en EEG: un canal de aprendizaje de transferencia de CWT
Identifiers
- Other
- https://openalex.org/W3124925700
- DOI
- 10.1016/j.icte.2021.01.004
References
- https://openalex.org/W1982491333
- https://openalex.org/W1988276813
- https://openalex.org/W2050324690
- https://openalex.org/W2112053679
- https://openalex.org/W2487347928
- https://openalex.org/W2736837310
- https://openalex.org/W2750493526
- https://openalex.org/W2775517272
- https://openalex.org/W2890966486
- https://openalex.org/W2906104384
- https://openalex.org/W2915977016
- https://openalex.org/W2927746189
- https://openalex.org/W2966241529
- https://openalex.org/W2998019206
- https://openalex.org/W2999693320
- https://openalex.org/W3003523273
- https://openalex.org/W3009134349
- https://openalex.org/W3009814846
- https://openalex.org/W3011962222
- https://openalex.org/W3027927919
- https://openalex.org/W3096426711